快速回答：是的，您可以，只需添加没有标签的图像，只需确保在负样本中没有汽车，否则您会使 AI 变得疯狂（即收敛和不稳定问题）。

然而，这可能不是更好的方法。为什么？因为你的数据集已经有足够的反例了。著名论文Focal Loss for Dense Object Detection指出了这一点。该论文基本上提出认为数据集图像的每个像素都是一个训练信号。然后对于每张图像，有很多像素带有负信号（里面什么都没有：天空、地面、树木……），只有少数带有正信号的像素（实际的汽车）。

因此，如果数据集的每个图像的负信号（像素）多于正信号，那么问题可能不在负样本中。所以这给你留下了两种方法：

• 使用更关注正信号（汽车像素）而不是负样本（不是汽车像素）的损失函数，例如焦点损失或导数
• 在数据集中添加更多正例

我可以在我的日常实验中证实这篇论文所说的内容。我们现在有一组实验，与没有焦点损失和负样本的其他实验相比，在有焦点损失和没有负样本的情况下表现最好。

仅供参考，当有很多负面例子时会发生这种情况：

AI 花了一段时间才发现负样本在这个实验中没有用（1M 步）。从他们开始，它只关注正样本，这种训练开始收敛（推理开始显示一些有意义的东西）